第126期 向量数据库高级教程（检索以及相似度计算）

向量数据库存储数值化的“语义”（即嵌入向量），并支持通过相似度而非精确文本进行搜索。

在如今这个AI驱动的时代，语义搜索、向量嵌入、检索增强生成（RAG）等术语正逐渐成为日常技术词汇的一部分。我在X（原Twitter）上关注了大部分AI领域的技术人士，几乎每隔一天就能看到与向量数据库（Vector DB）相关的内容。

向量数据库是一款功能强大的后台支撑引擎，能让AI更智能、响应更迅速、对上下文的感知更敏锐。

本文将为你详细介绍向量数据库的定义、工作原理、重要性，以及它与传统数据库的区别。内容涵盖理论知识、工具对比、实际应用场景，还包含一个基于Sentence-Transformers和Qdrant（本地部署）的Python实战教程。

若你觉得本文对你有帮助，欢迎点赞支持，这能让更多人看到这篇文章。为了撰写本文，我投入了大量时间和精力，希望能帮助所有想要学习向量数据库的读者。你也可以点击下方链接阅读我的其他博客：

《适合你的AI作品集的10个LLM与RAG项目（2025-2026）》

检索增强生成（RAG）就像是为你的AI升级了内存，还配备了谷歌搜索栏。它不再根据训练时“认为”学到的内容编造答案，而是能获取实时、相关的信息——本质上，它不再“幻觉输出”，而是开始引用来源了。 techwithram.medium.com

首先从向量说起

在AI领域，向量是数据的数值化表示形式。无论是句子、图像，甚至是音频片段，都能被转化为一长串数字（维度通常在100到1000以上），这些数字捕捉了数据的语义或特征信息。

举个例子：

“巴黎是法国的首都。”

→ [0.13, 0.92, -0.34, …, 0.45] 这类数值化表示被称为嵌入向量（Embeddings），正是因为有了它们，大型语言模型（LLMs）才能更好地理解“巴黎”和“伦敦”之间的语义关联，而不仅仅是通过字符串对比来判断。

但传统数据库（如MySQL、MongoDB）并非为存储和搜索数百万个高维向量而设计。

这正是向量数据库的用武之地。

什么是向量数据库？

向量数据库是一款专门设计的系统，旨在高效存储、建立索引和搜索向量嵌入，尤其适用于大规模数据场景。

与传统数据库通过行或列进行匹配不同，向量数据库基于语义相似度返回结果。

具体来说：